راه پرداخت؛ پرمخاطب‌ترین رسانه فین‌تک ایران

لزوم توجه به هوش تجاری و تحلیل داده‌های بزرگ در فضای بازار مالی

0

در سال ۲۰۱۵، به احتمال زیاد سازمان‌ها در فضای کسب و کار راه حل‌های مالی مایل به هزینه قابل توجهی بر روی هوش تجاری و تجزیه و تحلیل داده هستند. این معدن طلا داده می‌تواند به سازمان برای باز نمودن و ایجاد فرصت‌های پنهان کمک فراوانی نماید.

در سناریو واقعی بازار سرمایه، امروزه تجزیه و تحلیل داده‌ها نقش مهمی در کیفیت بهتر، تصمیم گیری تجارت با سرعت بالا و خروجی دارد. تجزیه و تحلیل داده و مدیریت ریسک به عنوان یک عامل اساسی، مزیت رقابتی محرک برای مدلهای کسب و کار برای بنگاه‌ها می‌باشد. مدیریت ریسک یک عامل کلیدی در کاهش زیان‌های ریسک‌های بازار، اعتباری و عملیاتی خواهد بود. ما انتظار داریم که تحلیل‌ها برای شناسایی موقعیت‌ها و ریسک‌ها در پرتفوی مشتری برای شناسایی مشتریان بالقوه به کار آید. در بخش زیر به مهم‌ترین مزایای هوش تجاری و تجزیه و تحلیل داده‌ها اشاره می‌شود:

 .

۱- پیش بینی تحلیلی داده‌ها در جهت بدست آوردن هوش واقعی و آنی

تجربه ما در فضای بازار سرمایه نشان می‌دهد که در حال حاضر صنعت خدمات مالی فاقد هوش تجاری آنی و در زمان واقعی بوده که برای تصمیم گیری بهتر و برای جلوگیری از خرابی سیستم و خطاهای فاجعه بار در معاملات مورد نیاز هستند. برای پرداختن به این موضوع، شرکت‌ها مجبور به پیاده سازی سیستم‌هایی برای تجزیه و تحلیل و پیش بینی بوده، که آن‌ها را قادر به پیشگیری در مورد شکست بالقوه مخرب نماید. حجم داده‌ها در سیستم‌های موروثی می‌تواند به کمک هوش عملیاتی منجر به کشف الگوهای موثر داده، روابط پنهان و وابستگی‌ها شود. سیستم‌ها و زیر ساخت‌های هوش تجاری شامل IBM SPSS Statistics، IBM SPSS Modeler، Revolution Analytics، Statsoft بزرگ‌ترین زیر ساخت‌های هوش تجاری می‌باشند که می‌توانند توسط خریداران و فروشندگان بازار سرمایه مورد استفاده قرار گیرند.

 .

۲- مدیریت داده‌های بدون ساختار از طریق فنآوری داده‌های بزرگ (Big Data)

پس از بحران مالی در سال ۲۰۰۸ و سقوط بازار در می‌۲۰۱۰، قانونگذاران به شدت در در مورد شفافیت معاملات فشار آوردند که منجر به افزایش تعداد زیادی از منابع داده‌ها شد، حجم اطلاعات بازار افزایش قابل توجهی را داشت که نیاز به تجزیه و تحلیل آنی داده‌های بازار احساس شد. با این حال افزایش داده یک مسئله مهم برای موسسات مالی برای رسیدگی نبود، چالش بزرگ‌تر از افزایش چشمگیر در داده‌های بدون ساختار بود.

BI-Business-intelligence-Smart-Analyse-1-Index-way2pay-93-06-31

ما انتظار داریم که شرکت‌ها حجم بزرگتری از هزینه‌های IT خود را صرف سرمایه گذاری در فناوری «داده‌های بزرگ» همانند داده‌های شبکه‌ای، محاسبات شبکه‌ای، پردازنده‌های موازی عظیم و در پایگاههای تخصصی مربوط به «داده‌های بزرگ» نمایند. ما انتظار داریم که شرکت‌ها به سمت سیستم عامل‌های تجزیه و تحلیل داده‌ای مشترک به منظور استفاده مشترک در بین داده‌های ساخت یافته و بدون ساختار رفته و از سیستم‌های سنتی RDBMS سنتی به سمت پایگاه داده‌های غیر رابطه‌ای تخصصی، مانند Hadoop روند. به منظور کاهش هزینه‌های فناوری ما در حال حاضر شاهد تغییر تدریجی از ذخیره سازی و مدیریت داده‌ها بسیار بزرگ از زیرساخت‌های فیزیکی به استفاده از ذخیره سازی در فضای رایانش ابری هستیم.

 .

۳- مدیریت ریسک داده‌ها – ایجاد محرک درآمدی نه مراکز هزینه‌ای

سازمان‌ها ملزم به رعایت و پیاده سازی مدیریت ریسک برای جلوگیری از کاهش هزینه‌ها و افزایش درآمد خود هستند اما با کمبود دسترسی بع تراکنش‌های اعتباری و تجزیه و تحلیل داده‌ها هستند.

بنگاه‌ها با چالش‌های زیر مواجهند: سرعت افزایش در مقررات، رقابت و انتظارات مشتری،، عدم دسترسی به معامله اعتباری و داده‌های مرجع به منظور تجزیه و تحلیل، وجود اطلاعات مقابل متناقض در سراسر برنامه‌های کاربردی کسب و کار، نبود منبع واحد از داده‌های مرجع، VAR نامعتبر و فرآیندهای مدیریت ریسک IRB، پیچیدگی بنگاه‌ها برای کسب و کار موثر در فضای پر نوسان بازار.

برای غلبه بر چالش‌های فوق الذکر، شرکت‌ها نیاز به ایجاد یکپارچه سازی موثر داده‌ها و برنامه‌های تبدیل آن‌ها هستند و نیاز به وجود سیستم داده‌های مرجع و مدیریت داده‌های منبع بوده که باعث ایجاد اطلاعات سازگار و دقیق از اطلاعات نامتقارن شده که باعث بهبود گزارشات و تحلیل ریسک اعتباری خواهد شد.

 .

۴- الزام گزارشات مقرراتی و نظارتی

مدیریت داده‌های موثر یک چالش برای سازمان‌ها در مواجه با افزایش فشارهای سازمان‌های مقرراتی نظیر سازمان بازال۳ هستند، تحلیل داده‌ها نقش مهمی در تامین نیازهای نظارتی ان‌ها از قبیل مواجه با داده‌های ساختار نیافته، داده کاوی برای نظارت بر بازار و ارجاعات متقابل مجموعه کلیدی داده‌ها به منظور تسهیل بازسازی تجارت و گزارشات ایفا می‌کند.

ما بر این باوریم که در یک محیط که نیاز به موشکافی داده‌ها و داده‌های با کیفیت برای گزارشات نظارتی و ad-hoc وجود داشته که نیاز به تجزیه و تحلیل داده‌ها وجود دارد.

 .

۵- وجود داده‌های با معنی به تصمیم گیری کمک می‌کند

مشکلات کیفیت داده در سراسر موسسات مالی گسترده شده‌اند، آن‌ها در راه تحقق پتانسیل کامل از داده‌ها، از جمله برخی از مزایای اشاره شده در بالا ایستاده‌اند. با افزایش در حجم داده‌ها، سرعت و منابع داده‌ها، مدیریت کیفیت داده‌ها نیز پیچیده شده است. ما انتظار داریم که موسسات مالی نیاز به استقرار فرآیند‌ها و ابزار برای رفع مشکل کیفیت داده‌ها با برخی از شرکت و حتی مدیریت کیفیت داده‌ها به صورت متمرکز هستند که بتوانند به داده‌های معنی داری برای تصمیم گیری دست یابند.

December, 2014 Written by Banking Tech 15 – Gaurav Johri

{محسن معظمی گودرزی، کارشناسی ارشد امور اقتصادی}

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.